התפתחות של Smart Building Automation

מערכות אוטומציה של בניין חכם התפתחו מבקרי לוגיקה פשוטים ועד רשתות מבוזרות מתוחכמת המשלבות חיישנים, פועלים וניתוח מבוסס ענן.מערכות אלה לנהל תאורה, HVAC, אבטחה, ומערכות תת-מערכת אחרות בזמן אמת, במטרה לשפר את היעילות התפעולית תוך שמירה על סביבה נוחה עבור הדיירים.הכונן לעבר מבנים אנרגיה ללא אפס רשת, יחד עם תקנות קיימות מחמירות, יש אימוץ מהיר של אסטרטגיות מתקדמות, בין היתר, בהתחשב באופטימיזציה של איכות קריטית, כיעד כהכנה, כאשר היא מאפשרת אופטימיזציה אוטומטית, בין עלויות מרובות, כאשר היא יעילה, כאשר היא יעילה, בין היתר, כאשר היא מתקדמת, כאשר היא יעילה, בין עלויות אבטחה, לבין ביצועים חד-תחומית, כאשר היא מתקדמת, כאשר היא מתקדמת, כאשר היא מתקדמת, כאשר היא מתקדמת, כאשר היא מאפשרת אופטימיזציה של אבטחה, כאשר היא מתקדמת, בין עלויות מתקדמות, בין היתר, בין היתר, בין היתר, בין היתר, לבין ביצועים חד-תועלת משמעותית של אבטחה, בין היתר, לבין ביצועים חד-תועלת משמעותית של אבטחה, לבין ביצועים חד-תחומית, לבין ביצועים חד-תחומית, לבין ביצועים חד-תועלת משמעותית של אבטחה, לבין ביצועים חד-תועלת גבוהה יותר, לבין ביצועים חד-תחומית, אשר ניתן להשיג בעבר, כאשר היא מתקדמת, כאשר היא מתקדמת, כאשר היא מתקדמת

הבסיס של כל בניין אינטליגנטי הוא ביכולתו לחוש, להחליט ולפעול.עם הפצת מכשירים IoT, מבנים מייצרים כעת זרמים עצומים של נתונים על דיקור, מזג אוויר, שימוש באנרגיה ומעמד ציוד. עושר נתונים זה, עם זאת, מציב אתגר: כיצד לעבד ולנצל אותו עבור שליטה אופטימלית או בקרים PID נופלים כאשר מתמודדים עם דינמיקה, אינטראקציות לא ליניאריות בין תת-מערכת יחסים מורכבת כדי לנווט פתרונות מתקדמים כדי לשנות את האופטימיזציה.

מימון של Multi-objective Optimization

אופטימיזציה רב-אובייקטיבי (MOO) עוסקת בבעיות שיש להן שני פונקציות אובייקטיביות או יותר להיות ממזער או ממקסמות בו-זמנית. בהקשר של מבנים חכמים, מטרות אופייניות כוללות צמצום צריכת האנרגיה, למקסם את הנוחות התרמית (מחושת באמצעות PMV או PPD Indices), צמצום פליטות פחמן, וצמצום עלויות התפעוליות של אלה לעתים קרובות סותרות - לדוגמה, צמצום HAC עשוי להחמיר את הפתרונות המתאימים ביותר של טיפול תרופתי, ללא פתרון ספציפי, אשר אינו יכול להיות מאושר יותר, כלומר, כלומר, ללא פתרון ספציפי יותר, כלומר, ללא פתרון ספציפי של פתרונות חד-אופטימיים, כלומר, כלומר, ללא פתרון ספציפי יותר, פתרון ספציפי של טיפול תרופתי, ללא פתרון ספציפי, ללא פתרון ספציפי של טיפול תרופתי, ללא פתרון ספציפי, כלומר, אשר אינו מספק, כל פתרון ספציפי, או טיפול מיידי, כל פתרון ספציפי, כל פתרון ספציפי, אשר אינו מספק פתרון ספציפי, אשר אינו מספק פתרון ספציפי, אשר אינו יכול להיות מאושר, למעט פתרון ספציפי של זיהום אוויר, אשר אינו מספק פתרון ספציפי, אשר אינו מספק פתרון ספציפי של טיפול תרופתי, למעט פתרון ספציפי, למעט פתרונות אבטחה, למעט פתרון ספציפי של טיפול תרופתי, כלומר, אשר אינו מספק פתרון ספציפי, אשר אינו יכול להיות מאושר, כלומר, כלומר, למעט פתרון ספציפי,

מבחינה מתמטית, בעיה רב-אובייקטיבית יכולה להתבטא כמזערית (או למקסם) /mathbf {x} (\mathbf {x}) = [f 1(\mathbf {x}), f 2(\mathbf {x} ,\mathbf {x} אלגוריתמים אחרונים, כגון מהירויות קבועות של זמן, px} מהירויות מראש, בדרך כלל, pk(x} מהירויות מועדפותחסין) הן יעילות ביותר, כלומר, כלומר, כלומר, הן שיטות הפעלה (p-p-p) ומהירות ביותר, כלומר, כלומר, כלומר, מהירויות מהירות ביותר, מהירויות מהירות ביותר, כלומר, כלומר, כלומר, מהירויות מהירות ביותר, מהירויות מהירות ביותר, מהירויות לוח זמנים (p p p p x} מהירויות מהירות ביותר, מהירויות מהירות ביותר, כלומר, כלומר, בדרך כלל, מהירויות לוח זמנים יעילות ביותר, כלומר, מהירויות מהירות הפעלה (rex} מהירויות מהירות אינטראקטיביות ביותר, מהירויות מהירות, מהירויות לוח זמנים (x} מהירויות מהירות, כלומר, בדרך כלל, כלומר, מהירויות לוח זמנים סבירות ביותר, מהירויות לוח זמנים מהירויות לוח זמנים יעילות

פטימיות של Pareto Optimality

הרעיון של אופטימליות Pareto, בשם כלכלן וילפו פאארוטו, הוא מרכזי MOO. פתרון הוא Pareto אופטימלי אם אין פתרון אפשרי אחר שמשפר לפחות מטרה אחת מבלי להשפיל מטרה אחת, הסט של כל הפתרונות האלה, מנהלי Pareto הקדמיים, עבור בניית אוטומציה, זה אומר עבור כל רמה של צריכת אנרגיה נתונה, המערכת יכולה למצוא את האסטרטגיה לשלוט כי מנפח נוחות כגון, ללא נוחות על ידי בנייתו של אנרגיה, או נוחות.

שיטות לפתרון בעיות מרובות-אובייקטיביות

ישנם שלושה קטגוריות רחבות של שיטות MOO: שיטות לפניות, שבו ההעדפות מפורטות לפני אופטימיזציה (למשל, סכום משקל); שיטות כרזות, אשר יוצרות את חזית Pareto כולה ומאפשרות ליוצר ההחלטות לבחור מאוחר יותר (למשל, NSGA-II, MOPSO); ושיטות אינטראקטיביות, שבו העדפות משולבות באופן חכם, פוסטרים יכולים להגיב מודלים מתקדמים, במיוחד, המאפשרים מודלים חישוביים, אך ניתן להתאים אישית, אך שיטות מסחר.

מגמות מתקדמות ב- Multi-objective Optimization Techniques

העשור האחרון היה עדים להתקדמות משמעותית בפיתוח אלגוריתמי עבור MOO, המונעת על ידי הצרכים של מערכות הנדסיות מורכבות וזמינות של משאבי מחשוב חזקים יותר.באוטומציה של בנייה חכמה, שלושה זרמים עיקריים עומדים: אלגוריתמים אבולוציוניים, אינטגרציה למידת מכונה וגישות היברידיות המשלבות את שניהם.

אבולוציה אלגורית

אלגוריתמים אבולוציוניים (EAs) הם מטא-הציוניסטים המבוססים על האוכלוסייה בהשראת האבולוציה הביולוגית.הם ליישם באופן רציונאלי ברירה, צלב ומוטציות כדי לשפר את סט הפתרונות של המועמדים.עבור MOO, גרסאות מיוחדות פותחו כדי לשמר מגוון ולהתכנס לחזית הפארואטו האמיתית. שתי דוגמאות בולטות הן ה-Algorithm הגנטי (NS-GA-II) ו-Ojective Optimization (Prmation PPS).

אלגורית גנטית לבניית שליטה

אלגוריתמים גנטיים (GAs) יעילים במיוחד עבור אופטימיזציה מבנית בשל יכולתם להתמודד עם לא לינארי, רב-ממדי, ומשתנים דיסקרטיים.לדוגמה, GA יכול לייעל את הטמפרטורות סטנקט, עמדות לחות, לוחות הזמנים של תאורה.מחקר שנערך על ידי FLT:0) ג'נג'נגירי ו-Allinson (2020)FLT:1 הוכיח כי ריבוי משימות מופחתת על ידי אנרגיה תרמית תוך 25% בתנאי שמירה על פני אלגוריתם נמוך יותר של אבטחה נמוכה של אלגוריתם מסחר בלתי צפוי, אשר ניתן גם כן, כמו גם כן, אשר ניתן לשלב את האלגוריתם מסחר.

Particle Swarm Optimization

Particle photch (PSO) מדמה את ההתנהגות החברתית של צאן או דיג בית הספר.כל חלקיק מאמת את עמדתו על בסיס הפתרון הידוע ביותר שלה ואת הפתרון הידוע ביותר של הנחילה (בגרסה רב-אובייקטיבית) מתחת לארכיון (MOPSO), ארכיונים המבוססים על פתרונות לא-דו-מונים, וחלקיקים מודרךים לכיוון אזורים פחות צפופים של החלל האובייקטיבי מציעות חיזוי מהיר ו-אופטיקה (O) של 15 דקות על בסיס רזולוציה של כל אחד בלבד.

Machine Learning Accesss

למידת מכונה (ML) משפרת את MOO בשתי דרכים עיקריות: על ידי בניית מודלים פונדקאים מדויקים של דינמיקת בנייה, ועל ידי למידה העדפות הדיירים או פרופילי נוחות.מודלים של Surrogate, כגון תהליכים גאוסיים או רשתות עצביות, להחליף סימולציות מבוססות פיזיקה יקרות חישוביות, מה שהופך אופטימיזציה בזמן אמתי של זמן אמתית. לדוגמה, רשת עצבית עמוקה יכולה לחזות את האנרגיה והנוחות של כל פעולה בתוך השניות, ומאפשרת, לאופטימיזציה של אלפי תרחישים רצופים.

יתר על כן, ML יכול להפר נוחות של אנשים בודדים מטמפרטורת העור, קצב הלב, או אפילו ביטוי פנים, המאפשר שליטה אישית.בקר רב-אובייקטיבי המשלב מודלים כאלה יכול לאזן חיסכון באנרגיה מפני הנוחות של הדיירים ספציפיים באזור.בפרויקט האחרון ב-FLT:0 National Renewable Energy Laboratory (NREL)FLT:1, חוקרים בשילוב עם למידה עם MOO כדי ליצור החלטות תרמוסטטטיביות כי משפרות את החלטות הסחר שלה ברציפות.

שיטות היברידיות

שיטות היברידיות משלבות את החוזקות של EAs, ML, ותכנות מתמטיות.לדוגמה, ניתן להשתמש ב- GA כדי לחקור את חזית Pareto ברחבי העולם, ולאחר מכן לחדד אזורים מבטיחים עם תכנות קוואדרטי או אופטימיזציה Bayesian. גישה נוספת היא להטמיע רשת עצבית בתוך אלגוריתם MOO כדי להתאים באופן אופציונלי או מוטציות בהתבסס על מגוון של האוכלוסייה היברידית כזאת הראו ביצועים מעולים ו-FII מופחת יותר ויותר עם הערכה של זמן של סימולציה.

יישומים והטבות במערכות בנייה חכמות

היישום המעשי של אופטימיזציה רב-אובייקטיביים בבניינים חכמים מניב יתרונות מוחשיים על פני מספר תחומים.הסעיפים הבאים מדגישים את היישומים המשפיעים ביותר.

ניהול אנרגיה ו- Peak Load Reduction

אופטימיזציה של צריכת האנרגיה היא היישום המיידי ביותר.על ידי גיבוש הבעיה כסחר רב-אובייקטיבי בין עלות אנרגיה לנוחות הדיירים, בקרים יכולים להפחית את חשבונות החשמל ב-20-30% במבנים מסחריים טיפוסיים.נוסחאות מתקדמות יותר כוללות גם אותות תגובה ביקוש, זמן של שימוש בתמחור, ועל גבי שטח מתחדש של 1Fli, למשל, בקר חכם באמצעות בניין חכם באמצעות MOO יכול לפני-cool את הביקוש נמוך, תוך כדי ירידה של עלויות של 1FHDFHD, על ידי לחץ עלות שדה נמוך.

נוחות ומוצריות

נוחות גבוהה אינה מדד יחיד; היא כוללת היבטים תרמיים, חזותיים, אקוסטיים, מקורה אוויר איכות היבטים. אופטימיזציה רב-אובייקטיבי מאפשר למערכת לטפל בו זמנית.לדוגמה, אופטימיזציה עשויה לבחור להוריד את נקודת הטמפרטורה בשעות אחר הצהריים שמש כדי לפצות על גל, תוך התאמה של עמדות עיוורות ומאורות מטבולות.

אבטחה ובטיחות

מערכות אבטחה, כגון בקרת גישה ושמירה על מעקב, חייבות לאזן את צריכת החשמל, זמן התגובה, ואת שיעורי אזעקה כוזבים.במבנה חכם, מסגרת אופטימיזציה זהה ניתן להרחיב כדי לכלול מטרות אבטחה.לדוגמה, לאחר שעות, מצלמות עלולות לעבור לרזולוציה נמוכה יותר כדי לחסוך אנרגיה, אבל עדיין לשמור על דיוק אופטימיזציה.מתאים יכולים לכוון פרמטרים כדי להשיג שיעור חיובי כוזב מקובל תוך צמצום אנרגיה.

אתגרים ופתרונות

למרות ההבטחה, פריסת מערכות אוטומציה מבניות אמיתיות של בניין פרצופים כמה מכשולים. ראשון, מחשוב יתר: פתרון בעיה רב-אובייקטיבית עם עשרות משתנים כל כמה דקות יכול להיות איטי מדי עבור שליטה בזמן אמת.התקדמות מחשוב וענן הסרת עזרה מנקה של מערכות ניהול אלקטרוניות, כמו גם שימוש במודלים של פיתוח יישומים חיצוניים.

כיוונים עתידיים

תחום אופטימיזציה רב-אובייקטיביים עבור מבנים חכמים מתקדם במהירות.שלוש מגמות בולטות במיוחד. ראשית, שילוב משוב של הדיירים באמצעות טלפונים חכמים או עונדים יאפשרו מערכות ללמוד מודלים נוחות אישית ברציפות.התאמה אישית זו תהפוך את האופטימיזציה של גישה מבוססת סטנקט לגישה מבוססת על אדם-ב-אין-אחד האוניברסיטה, עלייה של תאומים דיגיטליים - העתק וירטואלי של בניין זה אמיתי-או- מאפשר אלגוריתמים מרובים של תאים דיגיטליים, ללא אלגוריתמים, במיוחד, ללא אלגוריתמים של תאים דיגיטליים.

ככל שתקנות הקיימות מתדקנות, קודי בנייה עשויים לחייב את השימוש באופטימיזציה רב-אובייקטיבית עבור מבנים חדשים.כבר, ביצועי האנרגיה של האיחוד האירופי של בנייה (EPBD) מעודדת אימוץ של אינדיקטורים למוכנות חכמה המערכים את יכולת הבנייה לייעל אנרגיה ונוחות. בעתיד, אנו עשויים לראות MOO הופכת למרכיב סטנדרטי של תוכנת ניהול בנייה, משולבת למוצרים כגון סימנס, ג'ונסון, ומשתפיד.

מסקנה

ההתקדמות באופטימיזציה רב-אובייקטיבית מעצבת מחדש מערכות אוטומציה של בנייה חכמה.על ידי מעבר לשליטה חד-משמעית, מנהלי בניין יכולים להשיג סביבה מאוזנת, תגובה שמשפרת את יעילות האנרגיה, נוחות הדיירים ועלות התפעולית בו-זמנית.הפיתוח של אלגוריתמים אבולוציוניים, למידת מכונות וטכניקות היברידיות הפכו לאופטימיזציה בזמן אמתית, אפילו עבור מבנים מסחריים גדולים.